MPNN – الشبكة العصبية لانتقال الرسائل
Message Passing Neural Network (2017)
إطار عام: كل عقدة تستقبل رسائل من جيرانها تعتمد على حالتها وحالة الجار وخصائص الرابط، ثم تحدّث حالتها. وفي النهاية دالة قراءة تجمع العقد.
الحدس
إطار عام: كل عقدة تستقبل رسائل من جيرانها تعتمد على حالتها وحالة الجار وخصائص الرابط، ثم تحدّث حالتها. وفي النهاية دالة قراءة تجمع العقد.
الشرح التفصيلي
صاغ Gilmer وزملاؤه الإطار ووحدوا تحته نماذج سابقة، ثم قدموا نسخة قوية للكيمياء الكمية على QM9: دالة الرسالة «شبكة الروابط» (Edge Network) وهي MLP تأخذ خصائص الرابط (نوع الرابطة والمسافة) وتنتج مصفوفة d×d تضرب تمثيل الجار؛ دالة التحديث وحدة GRU؛ والقراءة Set2Set.
أدخلت الورقة أيضاً «العقدة الرئيسة» الافتراضية المتصلة بكل الذرات لتسريع انتقال المعلومة، وتشغيل عدة نسخ بأبعاد أصغر (Towers) لخفض الكلفة. وهي مرجع التسمية «MPNN» المستخدمة لكل النماذج المحلية.
البنية المعمارية
T خطوة انتقال رسائل بمعاملات مشتركة (Edge Network + GRU) ← قراءة Set2Set ← MLP.
المعادلات
m_v^{t+1}=\sum_{w\in N(v)}A(e_{vw})\,h_w^{t},\qquad h_v^{t+1}=\operatorname{GRU}\!\left(h_v^{t},m_v^{t+1}\right)\hat{y}=R\!\left(\{h_v^{T}\,|\,v\in G\}\right)نقاط القوة
- يستخدم خصائص الروابط بقوة
- إطار نظري جامع
- دقة عالية في خصائص الجزيئات
القيود
- شبكة الروابط مكلفة (مصفوفة d×d لكل رابط)
- قوة التمييز محدودة بـ 1-WL
- لا يستخدم الزوايا والهندسة ثلاثية الأبعاد كاملة
التعقيد الحسابي
O(|E|·d²) لكل خطوة بسبب مصفوفات الروابط.
متى تستخدمه
رسوم صغيرة غنية بخصائص الروابط (جزيئات)، أو عند الحاجة إلى إطار مرن تصمم داخله.
التنفيذ في PyTorch Geometric
torch_geometric.nn.NNConv (شبكة الروابط) مع GRU وSet2Setشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural Message Passing for Quantum Chemistry. International Conference on Machine Learning (ICML). arXiv: 1704.01212صاغت إطار Message Passing Neural Networks (MPNN) الذي يوحّد كثيراً من نماذج GNN.
- Battaglia, P. W., Hamrick, J. B., Bapst, V., et al. (2018). Relational inductive biases, deep learning, and graph networks. arXiv preprint. arXiv: 1806.01261إطار Graph Networks العام (تحديث الروابط والعقد والحالة الشاملة).
